基于改进雨林模糊神经网络模型的页岩储层总有机碳含量评价方法

由于采用常规测井曲线评价页岩储层总有机碳含量的精度不高,泛化能力不强,需要大量样本。针对这些问题,改 进了神经网络算法,以增加模型的预测能力。利用模糊系统优化细胞神经网络结构,以增强其逻辑推理能力,提高其对模 糊数据的敏感性;选择能有效避免“虚拟碰撞”的雨林算法,并针对其存在的缺陷进行改进;利用改进雨林优化算法对网 络的初始权值阈值进行优化,避免网络陷入局部极小。分析测井特征曲线的物理意义,选择密度测井曲线与自然伽马能谱 测井曲线作为网络的输入,以总有机碳含量作为输出,通过70块岩心样本网络学习与26块岩心样本预测,证明了新网络模 型的优越性。结果表明,新模型回判将相对误差从23.189%减小到17.185%,预测相对误差由52.421%减小到15.158%,具 有更强的学习能力与泛化能力,更适用于页岩储层总有机质含量的测井评价。     

基于贝叶斯判别的页岩气储层总有机碳含量分类预测方法

页岩气属于非常规能源,储量非常丰富,主要赋存于富有机质泥页岩及其夹层中。总有机碳（TOC）含量是页岩气储层评价的重要参数之一,综合利用富有机质泥页岩的典型测井响应特征,提出利用测井曲线预测TOC分类,进而识别富有机质泥页岩的方法,并以江苏南京汤地1井为例,通过相关性分析优选出自然伽马、深侧向电阻率、中子孔隙度、自然电位4个测井参数,建立了总有机碳含量的贝叶斯自动判别分类模型。实际资料的处理结果显示,样品回判正确率为71.43%,表明该方法可有效弥补实验室测定总有机碳含量的不足,能够快速评价富有机质泥页岩层段。     

页岩气测井评价方法及应用

利用测井资料对页岩气进行评价有两方面的内容,一是页岩的识别,即利用页岩在测井曲线上的异常响应特征,确定页岩层的位置与厚度;二是对页岩气储层进行评价,有机碳（TOC）含量是评价页岩气的重要参数,利用ΔlgR技术,可以快速有效的计算页岩层的有机碳（TOC）含量。实例表明利用测井方法并结合地球化学实验资料,可以对页岩气进行有效评价及预测。     

基于贝叶斯正则化改进BP神经网络的页岩气有机碳含量预测模型

页岩气总有机碳(TOC)含量是评价岩性气藏的关键指标,受复杂地质及岩芯采集等多种因素的影响,常规室内测试分析获得的TOC含量的数据有限且结果有失准确。为合理准确预测页岩气TOC含量,本文首先通过对页岩气储层TOC含量测井资料综合分析选取8条测井曲线,并结合主成分分析法(Principal Component Analysis,PCA)提取四个主成分;其次基于贝叶斯正则化(Bayesian Regularization)改进的BP神经网络方法建立页岩气TOC含量预测的BR-BP模型;最后利用该模型对研究区A区页岩气TOC含量进行预测,并与常规的LM-BP神经网络模型的预测结果进行对比。结果表明：BR-BP模型有较强的非线性拟合能力,能够真实地反映出页岩气TOC含量与各测井参数之间的非线性关系,其模型预测结果与实际值基本吻合,与常规的LM-BP神经网络模型相比,其数据敏感性增强,预测精度有所提高,该研究方法具有一定的理论意义和参考价值,为我国TOC含量预测提供了一种新的技术方法和手段。     

用地球物理测井资料预测煤层气含量——基于斜率关联度—随机森林方法的工作案例

煤层气含量是煤层勘探开发研究的重点参数之一,由于煤层气含量受多因素影响,能有效预测其含量至关重要。本文将斜率关联度法与随机森林算法相结合,以地球物理测井资料为基础进行煤层气含量预测。首先利用改进的斜率关联度法,计算得到对煤层气含量敏感的测井曲线,再利用交叉验证法探究合适的随机森林决策树个数,并结合选出的超参数利用随机森林算法预测煤层气含量。以沁水煤田柿庄北区3号层为例,对该区块进行评价预测,并将预测结果与多元回归模型拟合结果进行对比,同时对本文方法模型的泛化性进行研究分析。结果表明,应用斜率关联度法对测井曲线与煤层气含量进行分析计算能准确有效地找到可用于煤层气含量预测的测井曲线;用随机森林算法训练得到的模型预测非夹矸段煤岩的煤层气含量准确,计算结果可信度高,在夹矸段预测能力较弱,总体对煤层气勘探开发有指导意义,具有实际应用价值。     

基于神经网络模型的生物扰动碳酸盐岩储集层识别与孔隙度预测——以塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层为例

塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层非常发育,但利用常规测井数据识别生物扰动储集层发育段和准确预测孔隙度难度较大。本文在对研究区16口取芯井奥陶系岩芯上生物扰动区域扰动等级划分的基础上,通过岩性标定测井,优选常规测井参数,基于BP神经网络模型分别建立了适合研究区生物扰动碳酸盐岩储集层识别和孔隙度预测的模型,并对建立的模型进行了有效性检验。结果表明：① 选择自然电位、自然伽马、井径、深侧向电阻率、浅侧向电阻率、补偿中子和密度等常规测井数据作为生物扰动碳酸盐岩储集层识别模型输入层的参数值,生物扰动指数（Bioturbation Index, BI）作为输出结果;选取rprop、sigmoid symmetric和sigmoid stepwise函数分别作为训练函数、隐含层和输出层的激活函数,建立节点数为3、层数为3的神经网络识别模型,识别效果好,适用于研究区奥陶系生物扰动碳酸盐岩储集层的识别。② 选择自然电位、自然伽马、井径、声波、补偿中子和密度值等常规测井数据作为输入层的参数值,对应深度上岩芯柱塞孔隙度测试结果和利用孔隙度样品检验模型计算得出的孔隙度结果作为输出结果,选取incremental、gaussian和sigmoid分别作为训练函数、隐含层和输出层的激活函数,建立节点数为4,层数为3的生物扰动碳酸盐岩储集层孔隙度预测模型,预测效果良好,适用于研究区奥陶系生物扰动储集层孔隙度的预测。该研究对定量表征研究区生物扰动储层特性、储量估算、油藏描述和储层地质建模等具有重要的借鉴意义。     

基于神经网络模型的生物扰动碳酸盐岩储集层识别与孔隙度预测——以塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层为例

塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层非常发育,但利用常规测井数据识别生物扰动储集层发育段和准确预测孔隙度难度较大。本文在对研究区16口取芯井奥陶系岩芯上生物扰动区域扰动等级划分的基础上,通过岩性标定测井,优选常规测井参数,基于BP神经网络模型分别建立了适合研究区生物扰动碳酸盐岩储集层识别和孔隙度预测的模型,并对建立的模型进行了有效性检验。结果表明：① 选择自然电位、自然伽马、井径、深侧向电阻率、浅侧向电阻率、补偿中子和密度等常规测井数据作为生物扰动碳酸盐岩储集层识别模型输入层的参数值,生物扰动指数（Bioturbation Index, BI）作为输出结果;选取rprop、sigmoid symmetric和sigmoid stepwise函数分别作为训练函数、隐含层和输出层的激活函数,建立节点数为3、层数为3的神经网络识别模型,识别效果好,适用于研究区奥陶系生物扰动碳酸盐岩储集层的识别。② 选择自然电位、自然伽马、井径、声波、补偿中子和密度值等常规测井数据作为输入层的参数值,对应深度上岩芯柱塞孔隙度测试结果和利用孔隙度样品检验模型计算得出的孔隙度结果作为输出结果,选取incremental、gaussian和sigmoid分别作为训练函数、隐含层和输出层的激活函数,建立节点数为4,层数为3的生物扰动碳酸盐岩储集层孔隙度预测模型,预测效果良好,适用于研究区奥陶系生物扰动储集层孔隙度的预测。该研究对定量表征研究区生物扰动储层特性、储量估算、油藏描述和储层地质建模等具有重要的借鉴意义。     

南方地区页岩气储层工业组分与有机碳测井计算方法

通过南方地区页岩气藏的储层特征和赋存方式的研究,认为页岩各组分含量的准确计算直接关系到含气量评价的精度.以南方3个工区计74块岩心样品组分分析实验为基础,提出页岩的五元工业组分体积模型和体积含量计算方法.对其中表征页岩含气性最关键组分——干酪根（有机碳）含量,分别建立与三孔隙度、电阻率、铀元素等5条测井曲线的线性关系.通过有机碳敏感性分析,引入两种多元回归计算有机碳含量方法,确定了适用于3个南方地区有机碳含量的公式.3口探井应用实例表明该方法符合页岩气藏的实际,提高了页岩气层各组分含量的计算精度,取得了预期的地质效果.     

页岩气聚集条件及含气量计算——以四川盆地及其周缘下古生界为例

为了研究页岩气聚集条件及含气量的影响因素、计算方法,根据页岩气聚集机理、聚集特征将页岩气聚集的因素分为内部因素和外部因素。内部因素主要包括页岩有机地球化学参数、矿物组成以及物性参数等,外部因素主要包括深度、温度、压力等。通过对四川盆地及其周缘下寒武统和上奥陶统—下志留统41块黑色页岩的有机地球化学参数、矿物组成、物性参数、深度、温度、压力等因素对页岩含气量影响作用的分析,可知反映内部因素的有机碳含量、总烃含量、石英含量、粘土矿物含量、孔隙度(裂缝)、密度、黄铁矿含量和碳酸盐含量等8个参数对页岩气聚集具有重要影响。通过对"二参数"、"六参数"、"八参数"与含气量的多元线性回归得出计算页岩含气量的计算公式,据此公式计算的含气量与实测值吻合良好,且参数越多对页岩含气量的预测越准确。本文建议在条件允许的情况下,尽可能多地利用各种参数对页岩含气量进行预测,以达到更好的预测效果。在勘探早期,建议采用简单易得到的两个最主要参数——有机碳含量和孔隙度进行页岩含气量的计算。     

测井曲线标定有机碳方法在苏北盆地的应用

测井曲线标定有机碳技术方法是一种不同于传统地球化学测试得到的有机碳方法，它根据烃源岩内有机质的含量在测井曲线上具有一定的特征响应，通过地球物理测井手段鉴别与提取这些特征属性，再利用测井曲线标定的有机碳含量关系式进行计算，从而得到准确的有机碳含量。这种方法既简便易行又准确可靠，与传统地球化学测试得到的有机碳方法具有良好的对应性。通过对苏161井阜四段、苏169井阜三段烃源岩测井标定有机碳含量与实测值的对比性研究，表明在苏北盆地用测井资料计算的有机碳来补充取心资料的不足，从而对该地区地下油气进行分析具有切实的可行性和较好的适用性。     

Shale Gas Accumulation Conditions and Gas Content Calculation: A Case Study of Sichuan Basin and Its Periphery in the Lower Paleozoic

为了研究页岩气聚集条件及含气量的影响因素、计算方法,根据页岩气聚集机理、聚集特征将页岩气聚集的因素分为内部因素和外部因素.内部因素主要包括页岩有机地球化学参数、矿物组成以及物性参数等,外部因素主要包括深度、温度、压力等.通过对四川盆地及其周缘下寒武统和上奥陶统—下志留统41块黑色页岩的有机地球化学参数、矿物组成、物性参数、深度、温度、压力等因素对页岩含气量影响作用的分析,可知反映内部因素的有机碳含量、总烃含量、石英含量、粘土矿物含量、孔隙度(裂缝)、密度、黄铁矿含量和碳酸盐含量等8个参数对页岩气聚集具有重要影响.通过对“二参数”、“六参数”、“八参数”与含气量的多元线性回归得出计算页岩含气量的计算公式,据此公式计算的含气量与实测值吻合良好,且参数越多对页岩含气量的预测越准确.本文建议在条件允许的情况下,尽可能多地利用各种参数对页岩含气量进行预测,以达到更好的预测效果.在勘探早期,建议采用简单易得到的两个最主要参数——有机碳含量和孔隙度进行页岩含气量的计算.     

基于机器学习的洋岛玄武岩主量元素预测稀土元素

地学共享数据库(如GEOROC、PetDB等)可为地球科学研究提供重要基础数据。然而,这些数据库均存在一个明显缺陷:样品的9种主量元素(SiO2、TiO2、Al2O3、CaO、MgO、MnO、K2O、Na2O和P2O5)均有准确数据,但稀土元素(rare earth elements,REE)数据大量缺失。鉴于REE在地球化学领域的重要作用,我们尝试为数据库缺失的REE值提供一个补全方案,即利用机器学习中的随机森林方法实现由9种主量元素预测REE值。以洋岛玄武岩(ocean island basalt,OIB)为例,把从GEOROC库中搜集到的1 283组OIB数据按8∶2的比例分为两组,其中80%的数据作为训练数据集用于建模,20%的数据作为测试数据集验证模型。比较了随机森林和多元线性回归方法对相同数据进行建模和预测的效果差异,发现无论是回归建模还是预测,随机森林方法都优于多元线性回归,且随着输入参数与输出参数之间关系的复杂化,这种优势更加明显。随机森林对测试数据集的预测效果整体较好,只是随着REE原子序数的增大,预测效果逐渐减弱。这一方面可能是因为原子序数大的REE与主量元素的关系更弱;另一方面可能是由于原子序数大的REE与主量元素的关系更加复杂。其次,随机森林方法预测的REE配分曲线与实际配分曲线吻合度较高,且预测所得配分曲线的区分能力较强,能够反映实际配分曲线之间的相对差异,这一点对推断地球化学过程尤为重要。随机森林方法随着训练数据的增多,其建立的模型也将越稳定,预测结果也会更精确。因此,随着数据库的不断完善,对数据库中REE值的预测也将更为可信、可行。     

基于灰色系统与测井方法的煤层气含量预测及应用

煤层气含量是评价煤储层的一个重要参数。本文将灰色系统用于煤层测井曲线,利用改进的斜率关联度法,分析了对煤层气含量敏感的测井曲线序列;对正关联相关的测井曲线序列利用灰色多变量静态模型GM(0,N)预测煤层气含量。并以沁水煤田为例,将预测结果与多元回归模型分析的结果进行比较并对本文方法模型的实用性进行研究分析。结果表明,应用改进的斜率关联度对测井曲线与煤层气含量进行灰色关联分析能更充分开发测井曲线与煤层气含量的关系;用GM(0,N)模型预测煤层气含量比多元回归模型预测的结果更精确,且本文模型更为强健,可在样本数据相对较少的情况下有效预测煤层气含量曲线,结果可信度高,具有实际应用价值。     

基于SFLA-GRNN模型的基坑地表最大沉降预测

为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型（SFLA-GRNN模型）。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法（SFLA）对广义回归神经网络模型（GRNN）的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。     

一种基于核学习的储集层渗透率预测新方法

基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。     

页岩气资源量计算：以鄂尔多斯盆地中生界三叠系延长组长7为例

鄂尔多斯盆地三叠系延长组长7暗色泥页岩是重要的烃源岩。最近的勘探表明,长7具有良好的页岩气开发前景。重点利用鄂尔多斯盆地279口测井资料、18口取心井的347块岩样实验室多种分析测试资料,开展了鄂尔多斯盆地中生界延长组长7页岩气的岩性、岩相、孔隙类型、有机碳含量、热演化程度、含气性、气体储存方式及其在测井曲线的反响研究;在页岩气形成条件的研究基础上,建立了岩性、含气性、有机质含量与自然伽马、声波时差、电阻率之间的关系,有效地识别含气泥页岩;选择容积法对延长组页岩气资源量进行计算,为未来页岩气的勘探和开发奠定基础。     

页岩气资源量计算:以鄂尔多斯盆地中生界三叠系延长组长7为例

鄂尔多斯盆地三叠系延长组长7暗色泥页岩是重要的烃源岩。最近的勘探表明,长7具有良好的页岩气开发前景。重点利用鄂尔多斯盆地279口测井资料、18口取心井的347块岩样实验室多种分析测试资料,开展了鄂尔多斯盆地中生界延长组长7页岩气的岩性、岩相、孔隙类型、有机碳含量、热演化程度、含气性、气体储存方式及其在测井曲线的反响研究;在页岩气形成条件的研究基础上,建立了岩性、含气性、有机质含量与自然伽马、声波时差、电阻率之间的关系,有效地识别含气泥页岩;选择容积法对延长组页岩气资源量进行计算,为未来页岩气的勘探和开发奠定基础。     

基于组合核函数的高斯过程边坡角智能设计

高斯过程(GP)是近年来发展迅速的一种全新学习机。与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数（ARD）引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径。     

大庆深部致密砂砾岩含气储层产能预测

气层产能预测是气藏工程研究中用于指导气井以及气田合理生产的重要工作和任务,它在气田整体评价和高效开发进程中具有很强的预见性和主动性。讨论了大庆深部致密砂砾岩含气储层的产能与测井响应之间的关系,探讨了根据测井资料应用人工神经网络技术预测含气储层产能的方法。利用已知气井测试结果和测井资料作为网络的训练样本。根据网络学习训练结果,输入储集层的测井资料等静态参数,可预测该储集层的产能。根据这种关系采用神经网络技术实现了测井对产能的预测评价,从而为大庆深部致密砂砾岩含气储层的开发提供了一定的依据。     

下古生界海相页岩TOC测井预测模型优选及应用——以川南长宁地区为例

有机碳含量(TOC)是页岩气资源评价与预测选区的关键指标之一,测井预测是实现单井TOC连续识别的重要手段,本次研究拟揭示各类预测方法在下古生界海相页岩中的预测效果。本次以川南长宁地区龙一段黑色页岩为对象,尝试采用多类预测方法(ΔLogR法及其改进方法、多元线性回归法与神经网络法)与不同的研究尺度(全段或分层)建立TOC测井预测模型,并对不同方法的预测效果进行深入探讨。研究表明,各方法预测效果差异较大,适用性各不相同。整体而言,多元线性回归法与BP神经网络法在研究区的预测效果均优于ΔLogR法及其改进方法。笔者等研究提出多元线性回归法对研究区TOC高值段的预测效果更佳,而神经网络法对TOC低值段的预测精度更高。本次研究根据龙一段各亚段有机质分布特征与测井响应特征的差异,提出通过“精细分层与最优方法匹配”的方式,因地制宜地选择相应的方法进行TOC测井预测。针对龙一₁^a-c与龙一₁^d-龙一₂,分别采用多元线性回归法与BP神经网络法进行分层精细建模,并获得了最佳的预测效果,不仅预测精度...